PersonalAI：面向个性化 LLM 代理的知识图谱存储与检索方法的系统比较
计算与语言
2026-04-14 v6 信息检索
摘要
通过有效地整合用户交互历史来个性化语言模型仍是开发自适应 AI 系统的核心挑战。虽然大型语言模型（LLM）结合检索增强生成（RAG）已提高事实准确性，但它们往往缺乏结构化记忆且在复杂的长期交互中难以扩展。为解决这一问题，我们提出了基于知识图谱的灵活外部记忆框架，该框架由 LLM 自动构建和更新。建立在 AriGraph 架构基础上，我们引入了一种 novel hybrid graph design，支持标准边和两种类型的 hyper-edges，实现 rich and dynamic semantic and temporal representations。我们的框架还支持多样化的检索机制，包括 A\*、WaterCircles 遍历、光束搜索和混合方法，使其能够适应不同的数据集和 LLM 能力。我们在 TriviaQA、HotpotQA、DiaASQ benchmark 上进行评估，证明不同的 memory 和检索配置在不同任务下可获得最佳性能。此外，我们将 DiaASQ benchmark 扩展带有 temporal annotations 和内部矛盾语句，表明我们的系统在处理 temporal dependencies 和 context-aware reasoning 时仍然稳健有效。
引用
@article{arxiv.2506.17001,
title = {PersonalAI: A Systematic Comparison of Knowledge Graph Storage and Retrieval Approaches for Personalized LLM agents},
author = {Mikhail Menschikov and Dmitry Evseev and Victoria Dochkina and Ruslan Kostoev and Ilia Perepechkin and Petr Anokhin and Nikita Semenov and Evgeny Burnaev},
journal= {arXiv preprint arXiv:2506.17001},
year = {2026}
}